Kognitive Neuroinformatik

Im Laufe der Evolution haben biologische Systeme kognitive Fähigkeiten entwickelt, die die heutigen technischen Systeme immer noch in Effizienz und Leistungsfähigkeit übertreffen. Das Sehen, Hören, die multisensorische Wahrnehmung sowie die Lokalisierung und Navigation in räumlichen Umgebungen sind einige Beispiele für solche Fähigkeiten. Der Prozess des Lernens und der anschließenden Entscheidungsfindung werden häufig als höhere kognitive Leistungen betrachtet, da sie Beispiele für menschliche Fähigkeiten darstellen. Im Institut für kognitive Neuroinformatik untersuchen wir diese Fähigkeiten mit Verhaltensexperimenten, formalisieren sie, so dass wir die entwickelten theoretischen Ansätze auf intelligente technische Systeme übertragen können. Die resultierenden Systeme vereinen Bottom-up sensorische Fähigkeiten wie die Mustererkennung und Top-down kognitive Leistungen wie die Wissensrepräsentation, das Schlussfolgern und die Planung. Unsere Forschung umfasst die Entwicklung von Theorien zum maschinellen Lernen (zum Beispiel Deep Learning) der Repräsentation und Verarbeitung von unsicherem Wissen wie zum Beispiel der Dempster-Shafer Theorie. Weitere Forschungsschwerpunkte sind die Entwicklung von adaptiven und parallelen Inferenzprozessen, die auf dem Prinzip des Informationsgewinnes basieren. Darüber hinaus modellieren wir die Fusion von multisensorischen Informationen, die Numerosity, Natural Scene Statistics, SLAM (Simultaneous Localization and Mapping) sowie Aufmerksamkeitsprozesse. Die resultierenden formalen Ansätze werden in biologisch inspirierten Systemen evaluiert und auf unterschiedliche Anwendungsbereiche übertragen. Des Weiteren ist für uns die Entwicklung von biologisch inspirierten Systeme in Kontext des demografischen Wandels unserer Gesellschaft ein Anliegen. Hierzu entwickeln wir Systeme zur Unterstützung und Aufrechterhaltung der Autonomie älterer Menschen (zum Beispiel Navigationsassistenz, Sturzerkennung, Stresserkennung). Ein weiterer Anwendungsbereich sind Systeme zum aktiven Monitoring von Agrikulturen (zum Beispiel Monitoring von Bienenvölkern, und Energie- Monitoring und –Prognose in der Landwirtschaft). Die biologisch inspirierten Systemarchitekturen stellen sich aber auch in dem Bereich der Langzeitautonomie von Weltraummissionen als geeignete neue Forschungsansätze dar.